选择绿色：通过动态模型选择推进绿色人工智能

人工智能正日益渗透到各个领域，模型复杂度不断提高，预测性能令人印象深刻。然而，这一快速的技术进步带来了令人担忧的环境成本，最先进的模型——特别是深度神经网络和大语言模型——需要大量的计算资源和能源。本工作提出了绿色人工智能动态模型选择的理念，即一种基于动态模型选择的方法，旨在通过选择最可持续的模型来减少人工智能的环境足迹，同时最小化潜在的精度损失。具体而言，我们的方法考虑推理任务、可用模型的环境可持续性以及精度要求，以动态选择最合适的模型。我们的方法呈现两种不同方法，即绿色人工智能动态模型级联和绿色人工智能动态模型路由。我们通过基于真实世界数据集的概念验证实证示例证明了方法的有效性。结果表明，绿色人工智能动态模型选择可以在大幅保留最耗能方案精度（高达约95%）的同时实现显著的节能（高达约25%）。总之，我们的初步发现揭示了混合自适应模型选择策略在缓解现代AI系统能源需求方面的潜力，而不会显著损害精度要求。